[PYTHON] Bis ein Ingenieur, der einmal über maschinelles Lernen frustriert war, es schafft, maschinelles Lernen bei der Arbeit einzusetzen

zunaechst

Maschinelles Lernen ist für Ingenieure über 4x Jahre etwas verwirrend. Es gibt Formeln, wenn Sie ein Buch öffnen. Es gibt Python. Was ist köstlich? Vor ungefähr fünf Jahren habe ich versucht, maschinelles Lernen bei Coursera zu lernen, aber Dr. Andrew Ng war in Woche 4 frustriert. Was ist der Unterschied zwischen "überwachtem Lernen" und "unbeaufsichtigtem Lernen"?

** Vermuteter Leser ** Diejenigen, die eine andere Karriere in der IT-Branche haben und eine Karriere als maschinelles Lernen suchen oder versuchen möchten, sind jedoch frustriert

** Über meine Karriere ** Es ist 10 Jahre her, seit wir als Host-Entwicklungsingenieur angefangen haben und mit Client-Servern, Webanwendungen und Entwicklungssystemen angefangen haben. Danach ist meine Hauptarbeit Netzwerk und Infrastruktur.

** Beziehung zum maschinellen Lernen ** Ich habe vor ungefähr 5 Jahren versucht, maschinelles Lernen zu studieren, aber ich habe nicht verstanden, was ich tat, deshalb war ich leicht frustriert. Lesen Sie es danach in Zeitschriften.

Hinweis) Datenanalyse, Mechanik und künstliche Intelligenz werden in diesem Text nicht streng voneinander getrennt.

Frustrierte Niederlage

1. Ich habe maschinelles Lernen nicht verstanden
2. Wie man lernt

Ich habe maschinelles Lernen nicht verstanden

Zunächst habe ich nicht verstanden, was maschinelles Lernen ist.

• Es gibt künstliche Intelligenz, maschinelles Lernen, Datenanalyse und Statistik, aber ich habe den Unterschied nicht verstanden und glaubte, dass maschinelles Lernen ein Bereich der Statistik ist.
• Ich dachte, das Wort Lernen sei in früheren Statistiken etwas "Fantastisches"
• Infolgedessen gab es kein Konzept, dass es "Vorhersage", "Klassifizierung" als Vorhersage folgen würde.

Ich wusste nicht, wie man lernt

• Plötzlich fing ich an, nach mathematischen Formeln zu lernen → Es braucht Zeit, aber es ist nicht nützlich für die Arbeit
• Ich kann es nicht verwenden, auch wenn ich studiere, daher verlasse ich mich immer noch auf SQL-, Excel- und Pivot-Tabellen.
• Ich habe aufgehört, weil ich nicht weiter motivieren wollte

Wie man diesmal lernt

Ich beschloss, die Standpunkte zu teilen und fortzufahren, damit ich sie effizient verstehen konnte.

1. Ermöglichen Sie Benutzern, über maschinelles Lernen-> Übersicht über künstliche Intelligenz zu sprechen
2. Verstehen Sie die allgemeine Datenanalyse, die nicht auf maschinellem Lernen beruht-> Datenanalyse im Allgemeinen
3. Verstehen Sie die Projektpunkte, um maschinelles Lernen-> Projektmanagement einzuführen
4. Machen Sie maschinelles Lernen vorerst nutzbar-> Grundlagen des maschinellen Lernens
5. Beginnen Sie mit Python-> Learn Python
6. Vertiefen Sie Ihr Verständnis von Mathematik und schreiben Sie Implementierungscode für maschinelles Lernen -> Mathematik
7. Erfahren Sie mehr über maschinelles Lernen-> Für maschinelles Zwischenlernen

Überblick über künstliche Intelligenz

• Ein unvermeidlicher Weg für interne Systemingenieure besteht darin, maschinelles Lernen für Unternehmen nützlich zu machen.
• Verkauf von maschinellen Lernsystemen an interne Kunden, ohne die interne Bedürfnisse nicht gefördert und Budgets nicht beschafft werden können.

Empfohlene Unterrichtsmaterialien

** G-Test ** Der G-Test wird definitiv für Personen empfohlen, die in zwei Wochen mit Benutzern über maschinelles Lernen und KI sprechen möchten! Lernen Sie effizient die Geschichte, zukünftige Entwicklungen, Gefahren und Philosophien der künstlichen Intelligenz kennen. Die folgenden zwei Unterrichtsmaterialien werden empfohlen.

** [Ist künstliche Intelligenz jenseits des Menschen? Jenseits des tiefen Lernens](https://www.amazon.co.jp/%E4%BA%BA%E5%B7%A5%E7%9F%A5% E8% 83% BD% E3% 81% AF% E4% BA% BA% E9% 96% 93% E3% 82% 92% E8% B6% 85% E3% 81% 88% E3% 82% 8B% E3% 81% 8B-% E3% 83% 87% E3% 82% A3% E3% 83% BC% E3% 83% 97% E3% 83% A9% E3% 83% BC% E3% 83% 8B% E3% 83 % B3% E3% 82% B0% E3% 81% AE% E5% 85% 88% E3% 81% AB% E3% 81% 82% E3% 82% 8B% E3% 82% 82% E3% 81% AE -% E8% A7% 92% E5% B7% 9DEPUB% E9% 81% B8% E6% 9B% B8-% E6% 9D% BE% E5% B0% BE-% E8% B1% 8A / dp / 4040800206) ** ** ** Dieses Buch sollte unbedingt gelesen werden. Verschiedene Begriffe sind in Datenanalyse, maschinellem Lernen und künstlicher Intelligenz eng miteinander verflochten, und selbst die Person, die sie verwendet, versteht keine klaren Definitionen oder Unterschiede. Kapitel 1 definiert künstliche Intelligenz klar und verdeutlicht ihre Unterschiede zu anderen Begriffen. Darüber hinaus werden in den Kapiteln 2 bis 5 verschiedene Bereiche der künstlichen Intelligenz organisiert, indem die Geschichte der künstlichen Intelligenz nachgezeichnet wird. Kapitel 6 und 7 haben viele Auswirkungen auf die KI, wenn Sie mit Benutzern in Unternehmen sprechen. Das Lesen dauert ungefähr zwei Stunden, und es ist ein Buch, das sowieso gelesen werden sollte.

** [Generalist für Deep Learning G-Tests gründlich erfassen](https://www.amazon.co.jp/%E5%BE%B9%E5%BA%95%E6%94%BB%E7%95%A5-% E3% 83% 87% E3% 82% A3% E3% 83% BC% E3% 83% 97% E3% 83% A9% E3% 83% BC% E3% 83% 8B% E3% 83% B3% E3% 82% B0G% E6% A4% 9C% E5% AE% 9A-% E3% 82% B8% E3% 82% A7% E3% 83% 8D% E3% 83% A9% E3% 83% AA% E3% 82 % B9% E3% 83% 88-% E5% 95% 8F% E9% A1% 8C% E9% 9B% 86-% E5% BE% B9% E5% BA% 95% E6% 94% BB% E7% 95 % A5% E3% 82% B7% E3% 83% AA% E3% 83% BC% E3% 82% BA-ebook / dp / B07NDVCN99) ** Es gibt verschiedene Nachschlagewerke für den G-Test, aber ich denke, dass dieser für mich ausreicht. Als Ergebnis der Suche im Internet nach nur den Teilen, die ich in diesem Buch nicht verstehen konnte, und der Durchführung des Tests konnte ich den G-Test erhalten. Nach Abschluss des G-Tests können Sie vorerst mit ähnlichen Worten mit dem Benutzer sprechen. Darüber hinaus können die Begriffe Datenanalyse, maschinelles Lernen und künstliche Intelligenz in gewissem Umfang verwendet werden.

Datenanalyse im Allgemeinen

Ein Bereich der Datenanalyse ist maschinelles Lernen, und ein Bereich des maschinellen Lernens ist künstliche Intelligenz. Wenn Sie die Datenanalyse nicht als großen Rahmen verstehen, können Sie nur ein temporärer Ingenieur für maschinelles Lernen sein. Wenn Sie jedoch das Gebiet der Datenanalyse verstehen, können Sie bei Bedarf statistische Methoden, Methoden des maschinellen Lernens und künstliche Intelligenz verwenden. Es macht keinen Sinn, künstliche Intelligenz für die Datenanalyse zu verwenden, für die nur Excel erforderlich ist!

Empfohlene Unterrichtsmaterialien

Das Tolle an diesem Buch ist, dass es Design-> Pre-Check-> Analysemethode-> Analyse-> Bewertung und Interpretation-> Ausdruck in einem kompakten Buch kombiniert. Verstehen Sie die Abbildungen und grundlegenden Probleme, wie Sie von der Definition des Problemfelds zur Datenanalyse übergehen können. Wenn Sie eine Vorlage erstellen, die im Voraus mit Excel erstellt wurde, sind Sie auf jeden Fall ein Anfänger in der Datenanalyse. ** [Statistische Analyse für 100 Millionen Menschen](https://www.amazon.co.jp/1%E5%84%84%E4%BA%BA%E3%81%AE%E3%81%9F % E3% 82% 81% E3% 81% AE% E7% B5% B1% E8% A8% 88% E8% A7% A3% E6% 9E% 90-% E3% 82% A8% E3% 82% AF% E3% 82% BB% E3% 83% AB% E3% 82% 92% E6% 9C% 80% E5% BC% B7% E3% 81% AE% E6% AD% A6% E5% 99% A8% E3% 81% AB% E3% 81% 99% E3% 82% 8B-% E8% A5% BF% E5% 86% 85-% E5% 95% 93 / dp / 4822273806) ** Autor Kei Nishiuchi sagte: " Es ist bekannt für "Statistik ist die stärkste Studie". Dieses Buch wird jedoch im Sinne einer Superübung empfohlen. Wenn Sie als IT-Ingenieur anfangen, sich mit Datenanalyse zu befassen, besteht die erste Herausforderung darin, die in Ihrem Unternehmen auftretenden Probleme zu verstehen und in die Datenanalyse einzubeziehen. Datenanalysemethoden und -praktiken können ohne große Schwierigkeiten mit grundlegenden IT-Kenntnissen durchgeführt werden. Um es jedoch vom Geschäft in den Bereich der Datenanalyse zu bringen, ist eher geschäftsorientiertes Wissen als IT erforderlich. Dieses Buch erweitert die Datenanalyse anhand aktueller Fallstudien. Die Software, die ich benutze, ist Excel, und die Methoden sind hauptsächlich Pivot-Tabellen und Statistiken. Wenn Sie dieses Buch lesen, werden Sie verstehen, wie Sie geschäftliche Herausforderungen in Ihre Anwendung integrieren können. ** [Einführung in den praktischen Prozess der Datenanalyse](https://www.amazon.co.jp/%E3%83%87%E3%83%BC%E3%82%BF%E8%A7%A3%E6% 9E% 90% E3% 81% AE% E5% AE% 9F% E5% 8B% 99% E3% 83% 97% E3% 83% AD% E3% 82% BB% E3% 82% B9% E5% 85% A5% E9% 96% 80-% E3% 81% 82% E3% 82% 93% E3% 81% A1% E3% 81% B9 / dp / 4627817711) ** Dieses Buch ist feiner als die beiden vorherigen Bücher Es ist praktischer. Aber deshalb wird Sie das Lesen dieses Buches mit ziemlicher Sicherheit frustrieren. Oder selbst wenn Sie nicht frustriert sind, können Sie nicht verstehen, was Sie tun, und Sie verschwenden Ihre Zeit mit Lesen. Jedes der beiden oben genannten Bücher kann in etwa einer Woche fertiggestellt werden, einschließlich praktischer Arbeiten. Lesen Sie dann dieses Buch, um Ihre Datenanalyse vom Hobby bis zum Unternehmen zu verbessern. Ich habe dieses Buch immer an meiner Seite und lese es, um Ideen zu entwickeln, wenn ich nicht weiterkomme.

Projektmanagement...

Empfohlene Unterrichtsmaterialien

** [Buch zum Verständnis des Projekts des Systems der künstlichen Intelligenz](https://www.amazon.co.jp/%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD% E3% 82% B7% E3% 82% B9% E3% 83% 86% E3% 83% A0% E3% 81% AE% E3% 83% 97% E3% 83% AD% E3% 82% B8% E3% 82% A7% E3% 82% AF% E3% 83% 88% E3% 81% 8C% E3% 82% 8F% E3% 81% 8B% E3% 82% 8B% E6% 9C% AC-% E4% BC % 81% E7% 94% BB% E3% 83% BB% E9% 96% 8B% E7% 99% BA% E3% 81% 8B% E3% 82% 89% E9% 81% 8B% E7% 94% A8 % E3% 83% BB% E4% BF% 9D% E5% AE% 88% E3% 81% BE% E3% 81% A7-AI-TECHNOLOGIE-% E6% 9C% AC% E6% A9% 8B / dp / 4798154059) ** Wie erwartet hat er mit über 40 Jahren mehrfach Erfahrung in IT-Projekten. Hier geht es darum zu verstehen, was der Unterschied zwischen dem IT-Projekt und dem maschinellen Lernprojekt ist, was der gleiche Punkt wie bei anderen Systementwicklungen ist und was der andere Punkt ist. Dies ermöglicht es, Projekte für maschinelles Lernen / künstliche Intelligenz reibungslos einzuführen und dabei das bisher gewonnene Wissen zu nutzen. Und es gibt zwei deutliche Unterschiede zu früheren Projekten. Es gab nur ein Buch, in dem POC und KPI auf leicht verständliche Weise vorgestellt wurden.

Grundlagen des maschinellen Lernens

Dies ist der Kern des maschinellen Lernens. Sie können zwischen Python und R als Sprache wählen. Im Moment wird jedoch empfohlen, die Grundlagen des maschinellen Lernens in Python anhand der Materialien und des zukünftigen Potenzials zu lernen.

Empfohlene Unterrichtsmaterialien

** Python Data Science Handbook ** Wenn Sie nicht wissen, womit Sie beginnen sollen, beginnen Sie hier. Dieses Buch ist kostenlos in englischer Sprache erhältlich. Wenn Sie maschinelles Lernen mit Python verwenden, verwenden Sie auf jeden Fall numpy, pandas und matplotlib. Als Einführung lernen Sie zunächst die Grundlagen der Verwendung der einzelnen Pakete. Fahren Sie dann mit dem eigentlichen maschinellen Lernpaket fort, sciki learn. Die Menge ist weder zu viel noch zu wenig, und Sie können fortfahren, ohne zu viel Zeit zu verbringen. Im Kapitel über maschinelles Lernen gibt es einige mathematische Formeln, aber Sie sollten sich darauf konzentrieren, wie Sie das Paket verwenden, anstatt zu versuchen, es zu verstehen.

** [Einführung in die Datenanalyse mit Python](https://www.amazon.co.jp/Python%E3%81%AB%E3%82%88%E3%82%8B%E3%83%87%E3% 83% BC% E3% 82% BF% E5% 88% 86% E6% 9E% 90% E5% 85% A5% E9% 96% 80-% E7% AC% AC2% E7% 89% 88-% E2% 80% 95NumPy% E3% 80% 81pandas% E3% 82% 92% E4% BD% BF% E3% 81% A3% E3% 81% 9F% E3% 83% 87% E3% 83% BC% E3% 82% BF% E5% 87% A6% E7% 90% 86-Wes-McKinney / dp / 487311845X / ref = sr_1_1? adgrpid = 58778961568 & dchild = 1 & gclid = EAIaIQobChMIjafepdH06QIVB1RgCh2FHA2kEAAYAiAAEgIRNfD_BwE & hvadid = 338.517.691.095 & hvdev = c & hvlocphy = 1.009.294 & hvnetw = g & hvqmt = e & hvrand = 4247298842042338526 & hvtargid = KWD-332.404.598.096 & hydadcr = 27269_11561182 & jp-ad-ap = 0 & keywords = Python% E3% 81% AB% E3% 82% 88% E3% 82% 8B% E3% 83% 87% E3% 83% BC% E3% 82% BF% E5% 88% 86% E6% 9E% 90% E5% 85% A5% E9% 96% 80 & qid = 15191702345 & sr = 8-1 & tag = googhydr-22) ** Wir empfehlen, dass Sie das obige Python Data Science-Handbuch lesen, bevor Sie mit diesem Buch beginnen. Einer Theorie zufolge sind 80% des Aufwands für die Vorbereitung der Daten und 20% für die Implementierung des maschinellen Lernens erforderlich. Dieses Buch konzentriert sich hauptsächlich auf Datenanalysetechniken, nicht auf maschinelles Lernen. Wir behandeln die Eingabe / Ausgabe von Dateien, den Datentyp, die Visualisierung, die Datenkonvertierung usw. detaillierter. Daher sind Kenntnisse in Python unerlässlich. Das Laden dauert einige Zeit, wenn Sie Hands-On einbinden. Wenn Sie dieses eine Buch jedoch fertiggestellt haben, sind Sie definitiv ein Anfänger in Python und können Numpy, Pandas und Matoplotlib für die Datenanalyse beherrschen.

** [Maschinelles Lernen ab Python](https://www.amazon.co.jp/Python%E3%81%A7%E3%81%AF%E3%81%98%E3%82%81%E3% 82% 8B% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92-% E2% 80% 95scikit-learn% E3% 81% A7% E5% AD% A6% E3 % 81% B6% E7% 89% B9% E5% BE% B4% E9% 87% 8F% E3% 82% A8% E3% 83% B3% E3% 82% B8% E3% 83% 8B% E3% 82 % A2% E3% 83% AA% E3% 83% B3% E3% 82% B0% E3% 81% A8% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92 % E3% 81% AE% E5% 9F% BA% E7% A4% 8E-Andreas-C-Muller / dp / 4873117984 / ref = sr_1_1? adgrpid = 52270124614 & dchild = 1 & gclid = EAIaIQobChMI2NqqidL06QIVRaqWCh0upQUOEAAYAyAAEgJTvPD_BwE & hvadid = 338.518.266.894 & hvdev = c & hvlocphy = 1.009.294 & hvnetw = g & hvqmt = e & hvrand = 16546251539735673174 & hvtargid = kwd-355766215106 & hydadcr = 27267_11561158 & jp-ad-ap = 0 & keywords = python% E3% 81% A7% E5% A7% 8B% E3% 82% 81% E3% 82% 8% A% % B0% E5% AD% A6% E7% BF% 92 & qid = 15191702554 & sr = 8-1 & tag = googhydr-22) ** Übrigens, wenn die beiden oben genannten Bücher fertig sind, sind die Datenaufbereitung und das grundlegende maschinelle Lernen perfekt. Dieses Buch ist der erste Schritt zum fortgeschrittenen maschinellen Lernen. Wenn Sie mit dem maschinellen Lernen beginnen, dauert es einige Zeit, die Daten zu bereinigen und die Funktionen zu entwerfen. In Bezug auf die Praxis wird der Kernel von kaggle für das Design von Feature-Mengen empfohlen. Wenn Sie jedoch die Grundlagen des Feature-Designs im Voraus in diesem Buch verstehen, können Sie verstehen, warum das Feature-Design den im Kernel beschriebenen entspricht. Ich möchte diese Auszeichnung so oft nachlesen, wie ich möchte.

Python Wie bereits erwähnt, sind Python und R die gängigen Sprachen für das Erlernen von maschinellem Lernen. Ich habe R verwendet, um statistische Daten zu verarbeiten. Aber jetzt empfehle ich Python definitiv zum Lernen von maschinellem Lernen.

Zunächst einmal ist das in Python bereitgestellte scikitlearn das beste Paket zum Erlernen von maschinellem Lernen. Außerdem werden verschiedene Bücher und Online-Schulungen angeboten. Darüber hinaus ist Python ein leistungsstarkes Tool für den Datenbereinigungsschritt, der dem maschinellen Lernen vorausgeht.

Empfohlene Unterrichtsmaterialien

** Python3 wird von einem aktiven Silicon Valley-Ingenieur unterrichtet ** Ich werde keinen Ärger sagen, es ist am besten, jetzt hier zu beginnen. Ziel, wenn der Preis niedrig ist.

** [Jedermanns Python](https://www.amazon.co.jp/%E3%81%BF%E3%82%93%E3%81%AA%E3%81%AEPython-%E7%AC%AC4 % E7% 89% 88-% E6% 9F% B4% E7% 94% B0-% E6% B7% B3-ebook / dp / B01NCOIC2P / ref = sr_1_1? = g & hvqmt = e & hvrand = 5750020569722182631 & hvtargid = kwd-398175049877 & hydadcr = 27263_11561108 & jp-ad-ap = 0 & keywords =% E3% 81% BF% E3% 82% 93% E3% 81% AA% E2% A2 googhydr-22) ** Ein Buch, das Python von den Grundlagen lehrt. Auf leicht verständliche Weise werden auch schwer verständliche Bereiche wie Iteratoren, Generatoren und Dekoratoren erläutert.

** [Selbstlernprogrammierer Von den Grundlagen der Python-Sprache bis zur Arbeitsweise](https://www.amazon.co.jp/%E7%8B%AC%E5%AD%A6%E3%83%97%E3%83 % AD% E3% 82% B0% E3% 83% A9% E3% 83% 9E% E3% 83% BC-Python% E8% A8% 80% E8% AA% 9E% E3% 81% AE% E5% 9F % BA% E6% 9C% AC% E3% 81% 8B% E3% 82% 89% E4% BB% 95% E4% BA% 8B% E3% 81% AE% E3% 82% 84% E3% 82% 8A % E6% 96% B9% E3% 81% BE% E3% 81% A7-% E3% 82% B3% E3% 83% BC% E3% 83% AA% E3% 83% BC% E3% 83% BB% E3% 82% A2% E3% 83% AB% E3% 82% BD% E3% 83% 95-ebook / dp / B07BKVP9QY / ref = sr_1_1? Adgrpid = 57356695670 & dchild = 1 & gclid = EAIaIQobChMI-rrd3dT06QIVZWg g & hvqmt = e & hvrand = 4883408293921823160 & hvtargid = kwd-362748005277 & hydadcr = 15819_11177362 & jp-ad-ap = 0 & keywords =% E7% 8B% AC% E5% AD% A6% E3% 83% 97% E3% B% % 83% A9% E3% 83% 9E% E3% 83% BC & qid = 15191703267 & sr = 8-1 & tag = googhydr-22) ** Wenn Sie als Programmierer arbeiten, benötigen Sie auch andere Kenntnisse als die Sprache. Dieses Buch vermittelt Ihnen auch ein besseres Verständnis der Tools, die Sie als Python-Programmierer benötigen. Sie können mit einer neuen Firma zusammenarbeiten und Konversationen wie "Behalten Sie diesen Python in der Shell" oder "Ziehen Sie den erforderlichen Quellcode aus Git" verfolgen.

Mathematik

Wenn Sie es nur für ehrliche Arbeit verwenden, brauchen Sie nicht viel Mathematik. In gewissem Umfang kann das Verständnis jedoch auch bei der Fehlerbehebung und Verbesserung des Codes hilfreich sein.

** Maschinelles Lernen von Andrew NG ** In Bezug auf die Mathematik können sich die Felder etwas verschieben. Dieser Kurs von Andrew NG bietet jedoch eine umfassende Erklärung des Algorithmus, der dahinter stehenden mathematischen Formeln und sogar des Codes von Octave. Selbst wenn Sie lineare Algebra und Vektor allein studieren, ist dies in der Praxis nur dann sinnvoll, wenn Sie verstehen, wie sie in Algorithmen für maschinelles Lernen verwendet und wie sie codiert werden. Insofern ist dieser Kurs eine ausgewogene Kombination aus akademischer und praktischer Arbeit. Der Test ist jedoch ziemlich schwierig. .. ..

** [Statistik ist die stärkste Studie [Mathematik]](https://www.amazon.co.jp/%E7%B5%B1%E8%A8%88%E5%AD%A6%E3% 81% 8C% E6% 9C% 80% E5% BC% B7% E3% 81% AE% E5% AD% A6% E5% 95% 8F% E3% 81% A7% E3% 81% 82% E3% 82% 8B-% E6% 95% B0% E5% AD% A6% E7% B7% A8-% E2% 80% 95% E2% 80% 95% E3% 83% 87% E3% 83% BC% E3% 82% BF% E5% 88% 86% E6% 9E% 90% E3% 81% A8% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92% E3% 81% AE% E3% 81% 9F% E3% 82% 81% E3% 81% AE% E6% 96% B0% E3% 81% 97% E3% 81% 84% E6% 95% 99% E7% A7% 91% E6% 9B% B8-% E8% A5% BF% E5% 86% 85-% E5% 95% 93 / dp / 4478104514 / ref = pd_lpo_14_t_2 / 355-1421831-4833134? _Encoding = UTF8 & pd_rd_i = 4478104514 & pd_rd_r-40 = 9852-b5281dccbe37 & pd_rd_w = nWWg9 & pd_rd_wg = fnjUY & pf_rd_p = 4b55d259-ebf0-4306-905a-7762d1b93740 & pf_rd_r = P8J892952D4AYYSWPNTJ & p = Es ist wieder das Erscheinen von Herrn Kei Nishiuchi. Wie auch immer, es ist bekannt, dass "Statistik die stärkste Studie ist", aber ich persönlich empfehle diese. Es gibt einige mathematische Formeln, aber da die Erklärungen leicht zu verstehen und in einfachem Japanisch geschrieben sind, können Sie sie verstehen, auch wenn Sie keinen mathematischen Hintergrund haben. Ich habe das Gefühl, dass ich die Bedeutung des inneren Produkts in den Kapiteln "Beziehung zwischen dem inneren Produkt von Vektoren und Σ" und "Wie man das innere Produkt in der Statistik verwendet" endlich verstanden habe.

** [Einfache Mathematik zum Verständnis des maschinellen Lernens](https://www.amazon.co.jp/%E3%82%84%E3%81%95%E3%81%97%E3 % 81% 8F% E5% AD% A6% E3% 81% B6-% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92% E3% 82% 92% E7% 90% 86% E8% A7% A3% E3% 81% 99% E3% 82% 8B% E3% 81% 9F% E3% 82% 81% E3% 81% AE% E6% 95% B0% E5% AD% A6% E3% 81% AE% E3% 81% 8D% E3% 81% BB% E3% 82% 93-% E3% 82% A2% E3% 83% A4% E3% 83% 8E-% E3% 83% 9F% E3% 82% AA% E3% 81% A8% E4% B8% 80% E7% B7% 92% E3% 81% AB% E5% AD% A6% E3% 81% B6-% E6% A9% 9F % E6% A2% B0% E5% AD% A6% E7% BF% 92% E3% 81% AE% E7% 90% 86% E8% AB% 96% E3% 81% A8% E6% 95% B0% E5 % AD% A6% E3% 80% 81% E5% AE% 9F% E8% A3% 85% E3% 81% BE% E3% 81% A7 / dp / 4839963525) ** [Maschinelles Lernen, das ein Ehemann gelernt hat] Geschrieben vom Autor von (http://tkengo.github.io/blog/2016/06/06/yaruo-machine-learning0/). Wenn ich diese Serie sehe, ist es schwer, es zu tun! Das habe ich bemerkt. Nachdem ich diese Serie beendet hatte, begann ich mit diesem praktischeren Buch zu lernen. Die Formeln kommen perfekt heraus, aber während ich die Grundlagen festhalte, habe ich erfolgreich die komplizierten Teile entfernt, die für Anfänger nicht so notwendig sind. Dies ist ein Buch, das ich allen empfehlen möchte, die von Mathematik frustriert sind. Übrigens im Sinne der Formel [Bischofsbuch](https://www.amazon.co.jp/%E3%83%91%E3%82%BF%E3%83%BC%E3%83%B3%E8% AA% 8D% E8% AD% 98% E3% 81% A8% E6% A9% 9F% E6% A2% B0% E5% AD% A6% E7% BF% 92-% E4% B8% 8A-CM-% E3% 83% 93% E3% 82% B7% E3% 83% A7% E3% 83% 83% E3% 83% 97 / dp / 4612061224) ist prominent, aber es wird definitiv frustriert sein, wenn ein Anfänger es berührt. Ich werde.

Für maschinelles Zwischenlernen

Nun, das ist wahrscheinlich mehr als genug für einen Anfänger. Es ist jedoch eine Frage der Trennung, wie man für fortgeschrittene Benutzer Fuß fasst. Hier möchte ich zwei Bücher vorstellen, die ich gelesen habe und die ich definitiv gespürt habe. Selbst auf dieser Ebene gibt es mehrere Bücher, die als gute Bücher bezeichnet werden. Ehrlich gesagt ist es jedoch oft zu schwierig, und es ist ein Merkmal dieses Niveaus, dass viele Bücher auf dem Weg frustriert sind.

Empfohlene Unterrichtsmaterialien

** [Deep Learning von Grund auf neu](https://www.amazon.co.jp/%E3%82%BC%E3%83%AD%E3%81%8B%E3%82%89%E4%BD % 9C% E3% 82% 8BDeep-Learning-% E2% 80% 95Python% E3% 81% A7% E5% AD% A6% E3% 81% B6% E3% 83% 87% E3% 82% A3% E3% 83% BC% E3% 83% 97% E3% 83% A9% E3% 83% BC% E3% 83% 8B% E3% 83% B3% E3% 82% B0% E3% 81% AE% E7% 90% 86% E8% AB% 96% E3% 81% A8% E5% AE% 9F% E8% A3% 85-% E6% 96% 8E% E8% 97% A4-% E5% BA% B7% E6% AF% 85 / dp / 4873117585) **

Es ist definitiv dieses Buch, wenn es etwas für Anfänger gibt. Um ehrlich zu sein, kannte ich das Wort "Fehler-Backpropagation", bis ich dieses Buch las, aber ich verstand es überhaupt nicht. Selbst wenn ich ein Buch lese, fällt es mir nicht ein. Kapitel 5 dieses Buches, auch "Error Backpropagation" genannt, wird von Grund auf neu implementiert. Wenn Sie in diesem Buch eines auswählen, ist es nur Kapitel 5. Um jedoch die Inhalte zu verwenden, die beim Lernen des neuronalen Netzwerks in Kapitel 3 und des neuronalen Netzwerks in Kapitel 4 implementiert wurden, möchte ich dies ebenfalls lesen.

** [Theorie und Praxis des Experten für maschinelles Lernen, Programmierer](https://www.amazon.co.jp/Python-%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7% BF% 92% E3% 83% 97% E3% 83% AD% E3% 82% B0% E3% 83% A9% E3% 83% 9F% E3% 83% B3% E3% 82% B0-% E9% 81 % 94% E4% BA% BA% E3% 83% 87% E3% 83% BC% E3% 82% BF% E3% 82% B5% E3% 82% A4% E3% 82% A8% E3% 83% B3 % E3% 83% 86% E3% 82% A3% E3% 82% B9% E3% 83% 88% E3% 81% AB% E3% 82% 88% E3% 82% 8B% E7% 90% 86% E8 % AB% 96% E3% 81% A8% E5% AE% 9F% E8% B7% B5-Impress-Gear / dp / 4295003379) **

An diesem Buch wird derzeit gearbeitet. Wenn Sie dieses Buch lesen und den Code verstehen, werden Sie möglicherweise als fortgeschrittener Absolvent in Bezug auf die Implementierung angesehen. Obwohl mathematische Formeln angezeigt werden, liegen sie innerhalb des Bereichs, der verstanden werden kann, wenn die Grundlagen gedrückt werden, und es gibt kein Problem, wenn Sie "Einfaches Lernen von Mathematik zum Verstehen von maschinellem Lernen" verstehen. Das Wichtigste ist, es nachzuschlagen, sobald Sie die Formel nicht verstehen. Denn nachdem ich die Formel erklärt habe, werde ich sie gnadenlos in den Code einfügen, sodass ich das einschichtige Perzeptron von Grund auf neu implementieren werde. Der Code ist einfach und unkompliziert, erfordert jedoch eine beträchtliche Fähigkeit, Python-Code zu lesen. Anhand von Kapitel 2 werden wir mit anderen Klassifizierungsalgorithmen für maschinelles Lernen, Datenvorverarbeitung und Kreuzvalidierung fortfahren. Es ist ein gutes Buch, in dem Sie die Absicht spüren können, schwierige Inhalte mit einfachen Sätzen und Code als Ganzes zu erklären.